단조 결정 함수를 갖는 축약 분산 기억 장치

Sparse Distributed Memory with Monotonic Decision Function

  • 권희용 (안양대학교 컴퓨터학과) ;
  • 장정우 (호서대학교 대학원 전자공학과) ;
  • 임성준 (호서대학교 대학원 전자공학과) ;
  • 조동섭 (이화여자대학교 컴퓨터공학과) ;
  • 황희융 (호서대학교 전자공학과)
  • 발행 : 2001.02.01

초록

최근 축약 분산 기억 장치(SDM)가 적응적 문제 해결 능력과 하드웨어화의 용이성으로 인해 현실성이 있는 신경망의 한 모델로 제안되었다. 그러나 다층 인식자의 개별 뉴런이 선형 또는 비선형 결정 함수로 해 공간을 이분하고 그들이 다양하게 결합함으로써 일반적인 문제 해결 능력을 갖는데 비해, 축약 분산 기억 장치의 뉴런은 해 공간에서 자신을 중심으로 한 일정 반경 영역을 안과 밖으로 이분하고 이들을 단순하게 합하므로써, 해 공간이 실수 공간과 같이 크기 관계를 갖는 경우 비효율적인 모델로 된다. 본 논문에서는 이러한 축약 분산 기억 장치의 특성과 그 원인을 규명하고, 문제의 해 공간이 단조 증가 또는 감소 결정 함수로 양분되는 경우, 기존의 축약 분산 기억 장치에 크기 비교 과정을 도입함으로써, 주어진 문제를 효율적으로 해결할 수 있는 수정된 축약 분산 기억 장치 모델을 제안한다. 아울러 제안된 모델을 ATM망에서의 호 수락 제어 과정에 적용한 예를 보인다.최근 축약 분산 기억 장치(SDM)가 적응적 문제 해결 능력과 하드웨어화의 용이성으로 인해 현실성이 있는 신경망의 한 모델로 제안되었다. 그러나 다층 인식자의 개별 뉴런이 선형 또는 비선형 결정 함수로 해 공간을 이분하고 그들이 다양하게 결합함으로써 일반적인 문제 해결 능력을 갖는데 비해, 축약 분산 기억 장치의 뉴런은 해 공간에서 자신을 중심으로 한 일정 반경 영역을 안과 밖으로 이분하고 이들을 단순하게 합하므로써, 해 공간이 실수 공간과 같이 크기 관계를 갖는 경우 비효율적인 모델로 된다. 본 논문에서는 이러한 축약 분산 기억 장치의 특성과 그 원인을 규명하고, 문제의 해 공간이 단조 증가 또는 감소 결정 함수로 양분되는 경우, 기존의 축약 분산 기억 장치에 크기 비교 과정을 도입함으로써, 주어진 문제를 효율적으로 해결할 수 있는 수정된 축약 분산 기억 장치 모델을 제안한다. 아울러 제안된 모델을 ATM망에서의 호 수락 제어 과정에 적용한 예를 보인다.

키워드

참고문헌

  1. J. L. McClelland, D. E. Rumelhart, Parallel Distributed Processing, Vol.1 : Foundations, Cambridge, MA, MIT Press, 1986
  2. A. Jain, B. Wah, 'Artificial Neural Networks : A Tutorial,' IEEE Computer, pp.31-44, Mar., 1996 https://doi.org/10.1109/2.485891
  3. H. Y. Kwon et al, 'ATM Call Admission Control Using SDM(II),' ICNN'98, Proc., pp.1799-l803, May, 1998 https://doi.org/10.1109/IJCNN.1998.687130
  4. 권희용 외, '축약 분산 기억 장치의 개선', 한국정보과학회 '98 가을 학술발표논문집(II), Vol.25, No.2, pp.354-356, 1998
  5. Pentti Kanerva, Sparse Distributed Memory, Cambridge, MA, MIT Press, 1988
  6. Paolo Antogneutti, Veljko Milutinovic, Neural Networks, Concepts, Applications and Implements, Vol.IV, pp.275-289, Prentice Hall, 1991
  7. Karlsson Roland, 'A Fast Activation Mechanism for the Kanerva SDM Memory,' SICS Technical Report R95-10, 1995
  8. S.Gunnar et al, 'Algorithms for efficient SDM,' Real World Computing Symposium(RWC'97) Proc., pp.215-222, 1997
  9. S. Gunnar, 'The Sparchunk Code : A Method to Build Higher-level Structures in Sparsely Encoded SDM,' IJCNN'98 Anchorage Proc., 1998 https://doi.org/10.1109/IJCNN.1998.685982
  10. H. Heffes and D. M. Lucantoni, 'A Markov Modulated Characterization of Packetized Voice and Data Traffic and Related Statistical Multiplexers Performance,' IEEE JSAC, Vol.4, No.6, pp.856-868, 1986
  11. H.. Arai, M. Kawarasaki and S.Nogami, 'An Analysis of Call Admission Control in the ATM Network,' 전자정보통신학회논문지, J72-B-1, pp.1000-1007, 1989
  12. 강상혁, 'ATM 트래픽 제어기술', 전자공학회지, 제19권 제8호, pp.659-671, 1992
  13. 이두헌, 신요안, 김영한, '다중 서비스 트래픽을 위한 신경회로망 기반의 ATM 호 수락 제어', 한국통신학회논문지, Vol.21, No.8, pp.1958-1969, 1996
  14. A. Hiramatsu, 'ATM Traffic Control using Neural Networks,' Neural Networks in Telecommunications, pp.63-89, 1994